基于腦電信號的警覺度標注、估計與實時監(jiān)測技術研究.pdf

1、二十一世紀被認為是腦科學的時代，對人類大腦的研究和探索已經成為當代自然科學發(fā)展最快最具吸引力的分支之一。腦電信號（Electroencephalogram, EEG）是由腦內億萬神經元活動而引起的頭皮表面電位變化，其中包含了豐富的大腦狀態(tài)信息，而警覺度狀態(tài)也可以由腦電信號準確、及時地反映出來。根據(jù)人的腦電信號分析、監(jiān)測人的警覺度狀態(tài)，是計算機科學與生物學的一次有效結合，也是我們了解和利用大腦信息的有效手段。
　　在現(xiàn)代心理學中，警

2、覺度（Vigilance），或持續(xù)注意力，是指在一段長時間中保持注意力和警惕性的能力。在許多關鍵行業(yè)中，由于操作人員需要長時間地執(zhí)行單調而重復的操作，他們會不可避免地發(fā)生警覺度下降問題，人們希望用計算機來分析、監(jiān)測人的警覺度，以滿足這些行業(yè)的需求。本文基于上述的背景和生理學基礎，研究了基于腦電信號的警覺度分析技術，本文針對駕駛員的警覺度監(jiān)測問題，設計了模擬駕駛實驗，提出了完整的腦電信號處理框架，并將腦電信號分類為清醒、困倦和睡眠三類。<

3、br>　　本文提出了完整的腦電信號處理和警覺度分析框架。我們設計實現(xiàn)了一套完整的解決方案，用于獲取腦電信號，處理分析腦電信號，并估計警覺度。相關的處理流程和技術包括：模擬駕駛實驗平臺，設計了模擬駕駛環(huán)境，用于獲取腦電信號；腦電信號的去偽跡，我們采用基于獨立成分分析的方法從原始腦電信號中去除噪聲和偽跡；腦電信號的標定，本文用無刺激的標定方法，通過兩名研究員觀察模擬駕駛實驗時的視頻并結合腦電波形，將腦電信號標定為清醒、困倦和睡眠三類；樣本的

4、劃分，腦電信號被劃分成了5秒長的段，每一段作為一個樣本，相鄰的樣本間有2.5秒的窗口重疊；特征提取，本文中采用了三種特征提取方法，也可以使用其他的腦電信號特征提取方法；特征選擇，使用基于隨機森林的特征選擇方法，本文采用了RF-RFE特征排序算法，從特征集中選出對分類結果影響最大的特征子集；分類器訓練和分類，使用訓練集的樣本訓練支持向量機，并將測試集的樣本分類為清醒、困倦和睡眠中的一類。上述的處理流程，可以作為腦電信號處理和警覺度分析的通

5、用解決方案。
　　由于特征提取是腦電信號處理系統(tǒng)的關鍵步驟，本文還深入地研究了不同的特征對系統(tǒng)的性能影響。我們提出了一組新的基于連續(xù)小波變換（Continuous Wavelet Transform，CWT）的特征，傳統(tǒng)的基于CWT的腦電信號處理方法通常只用一個小波函數(shù)，在多個尺度上計算腦電信號的小波系數(shù)。本文的方法與之不同，我們更深入地探索了如何了從腦電信號中提取出所需要的信息，我們的設計可以使CWT計算的小波系數(shù)更加精確地提取

6、出腦電信號中與警覺度有關的信息。結果表明，這樣一組基于CWT的特征在我們的算法框架中取得了極高的準確率。
　　本文系統(tǒng)地分析和比較了上述基于CWT的特征和另外兩種在腦電信號處理系統(tǒng)中常用的特征，分別基于離散小波變換（Discrete Wavelet Transform, DWT）和分形維數(shù)（Fractal Dimension, FD）。優(yōu)質的特征體現(xiàn)在它不僅能非常準確地提取出腦電信號中能區(qū)分不同警覺度狀態(tài)的信息，同時它必須能以盡可

7、能小的時間代價計算出來。本文分別從分類準確度和計算時間兩個因素，分析和比較了這三種特征在我們的算法框架中的性能表現(xiàn)。在我們的實驗數(shù)據(jù)上，三種特征都獲得了較高的分類準確率（超過90％），而CWT表現(xiàn)得比其它兩種更高一些。但是，在計算時間因素上，CWT特征的表現(xiàn)卻遠遠低于DWT特征和FD特征。FD特征的計算時間幾乎可以忽略，而DWT特征的計算耗時也完全可以滿足實時性需求，但CWT特征的計算由于需要復雜的變換，而且需要在多個小波函數(shù)上計算，因